速动形状记忆合金元件设计原理

提出了评价速动双程形状记忆元件性能的主要参数,并说明了设计实用速动元件的原理和方法。     

Ti-22Nb-6Zr(at%)合金的超弹性和形状记忆效应

用弯曲法和拉伸法测定Ti-22Nb-6Zr（at％）合金的超弹性和形状记忆效应，研究固溶处理温度对Ti-22Nb-6Zr合金组织结构及性能的影响。结果表明：固溶处理后Ti-22Nb-6Zr合金的室温组织为单一的β相，晶粒尺寸随固溶处理温度升高而增大；合金的静态弹性模量小于30GPa；Ti-22Nb-6Zr合金具有良好的超弹性和一定的形状记忆效应。室温下变形，合金的超弹性和形状记忆效应随固溶处理温度升高而提高。900℃固溶处理后的合金在室温下拉伸变形，应变为5％时，总的最大回复应变达4．12％，其中超弹性回复应变为3．91％，记忆回复应变为0.21％。     

空冷淬火Cu-Zn-Al合金马氏体结构及稳定化现象

利用Ｘ射线衍射强度分析、透射电镜观察、相变点测量等方法研究了空冷淬火态Ｃｕ１８Ｚｎ１４Ａｌ合金马氏体结构及其稳定化现象。认为该合金空冷淬火可获得长程有序完全的Ｍ１８Ｒ马氏体，其有序组态为Ａｌ原子与Ｃｕ原子、Ｚｎ原子与Ｃｕ原子两种近邻（ｎｎ）有序（Ｋ＝偶，Ｈ＋Ｋ／２＝奇），以及产生Ｋ＝奇的衍射中Ａｌ原子与Ｚｎ原子次近邻（ｎｎｎ）有序。其基面原子分布为：Ⅰ—１４２５Ａｌ＋１１２５Ｃｕ、Ⅱ—Ｃｕ、Ⅲ—１８２５Ｚｎ＋７２５Ｃｕ。与此相对应，该合金相应为Ｈｅｕｓｌｅｒ结构。该合金在充分有序化的条件下仍存在马氏体稳定化。     

分数阶PI~λD~μ控制器的设计

提出了一种分数阶控制器的设计方法,首先对S传递函数进行相应的Z变换,然后根据最短记忆法[1]用Grünwald Letnicov分数导数定义取其近似项,来完成分数阶控制器的设计.仿真结果证明这种方法是可行有效性的.     

HDPE/EPDM材料的形状记忆特性研究

研究了高密度聚乙烯 /三元乙丙橡胶 (HDPE/EPDM)材料的拉伸与压缩形变回复率 ,温度对拉伸形变回复率的影响 ,力学性能 ,探讨了形状记忆的原理。结果表明 :HDPE/EPDM型共混材料的形变回复率随EPDM含量增加而提高 ;拉伸形变回复率高于压缩形变回复率 ;屈服强度随EPDM含量增加而下降 ,断裂延伸率随EPDM含量增加而上升 ;冷拉伸 热回复的回复速率最快、回复率最高 ,形状记忆特性最好     

基于EMD-SLSTM的家庭短期负荷预测

针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征。提出一种经验模式分解(Empirical Mode Decomposition, EMD)和堆栈式长短期记忆(Stack Long Short-term Memory, SLSTM)的组合算法应用于家庭短期负荷预测。首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型。将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本。通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构。为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证。实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度。     

Ti-50.8%Ni形状记忆合金R相区力学性能研究

对Ti-50．8％Ni形状记忆合金丝进行了不同预变形量处理和不同温度的时效，研究了合金力学性能和预变形量、时效温度之间的关系。结果表明：时效温度和预变形量对NiTi合金的强度影响很大，经适当的预变形和时效后NiTi合金的屈服强度降低，抗拉强度增大。测试表明10％预变形 500℃时效的合金丝室温组织为R相。     

一种基于SMA的微小型蠕动机器人

介绍了一种SMA驱动的微型轮式蠕动机器人的结构和控制系统。它采用轮式移动结构，打破近年来微小型机器人多采用腿式结构的传统。重点分析了并联式SMA驱动器和轮式移动机构的设计。微型机器人采用并联式SMA驱动器仿生蠕动输出力和位移，刚／弹耦合机构显著增大了微型机器人的前进步距，车轮逆向锁定机构控制了运动方向，确保了车轮滚动前进，实现了较高速度的运动。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

用于心律失常识别的LSTM和CNN并行组合模型

心脏病是导致人类死亡的首要原因,而大部分心血管疾病往往伴随着心律失常出现.为实现对不同类型心电图信号的自动分析、识别异常心律,研究并提出了一种基于深度学习的心拍分类算法.考虑到心电图自身的特性,使用长短时记忆网络来捕捉心电序列数据的前后依赖关系,结合卷积神经网络提取局部相关特征,自动识别5种不同类型的心拍.基于LSTM和CNN的深度学习方法将经过预处理的心电信号后直接作为网络的输入,将心电分类的特征提取、分类两个步骤融合为单个学习器.针对类别数据不平衡问题,通过对少数类样本滑窗采样获得更多训练数据.使用MIT-BIH数据集验证模型的有效性,最终在测试集2万多个心拍记录中分类结果准确率达到99.11%,特异性为99.44%,灵敏度为97.27%,此外滑窗采样操作对少数类样本的灵敏度有明显改善.实验结果表明,相比传统的SVM和随机森林等方法,基于LSTM和CNN的并行组合模型不需要人工提取复杂特征,且达到了更好的分类性能,适合用于可穿戴式心电设备和远程监护领域.